JPH07191711A - Method and apparatus for giving of instruction to process at inside of system to be adjusted - Google Patents
Method and apparatus for giving of instruction to process at inside of system to be adjustedInfo
- Publication number
- JPH07191711A JPH07191711A JP6300396A JP30039694A JPH07191711A JP H07191711 A JPH07191711 A JP H07191711A JP 6300396 A JP6300396 A JP 6300396A JP 30039694 A JP30039694 A JP 30039694A JP H07191711 A JPH07191711 A JP H07191711A
- Authority
- JP
- Japan
- Prior art keywords
- model
- network
- parameter
- supplied
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/58—Roll-force control; Roll-gap control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Control Of Metal Rolling (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、調節されるシステム内
のプロセスに指令を与えるための方法であって、各１つ
のプロセス進行の開始時に計算装置で実行されたプロセ
スの数学モデルを用いてモデルに供給された入力量に関
係して少なくとも１つの選択されたプロセスパラメータ
が予計算され、このプロセスパラメータによりシステム
の予設定が行われ、プロセス進行の間に入力量およびプ
ロセスパラメータが測定され、またプロセス進行の後に
測定されたプロセスパラメータおよびモデルに供給され
た測定された入力量に基づいてプロセスパラメータの予
計算の適応改善が行われる方法に関する。さらに本発明
はこの方法を実施するための装置に関する。This invention relates to a method for commanding processes in a regulated system, using a mathematical model of the processes executed by a computing device at the beginning of each one process progression. At least one selected process parameter is pre-calculated in relation to the input quantity supplied to the model, the process parameter is preset and the input quantity and the process parameter are measured during the process progression; It also relates to a method in which an adaptive improvement of the process parameter pre-calculation is made based on the measured process parameters after the process progress and the measured input quantities supplied to the model. The invention further relates to a device for carrying out this method.
【０００２】[0002]
【従来の技術】ドイツ特許出願公開第 A-4040360号明細
書から、準連続的に作動する方法技術的な設備に対する
調節されるシステム内の１つのプロセスに指令を与える
ためのこのような方法または装置が公知である。このよ
うな設備には例えば圧延ラインが属しており、その際に
圧延物の各パスは以下でプロセス進行と呼ばれるプロセ
スサイクルを形成する。すべての実際の技術的プロセス
のようにこれらのプロセス進行は時変性である。このよ
うなプロセスに指令を与える際には、プロセスを調節す
るシステムを各プロセス進行の前に予設定することが必
要である。すなわちプロセス指令は古典的な調節と異な
って実際のプロセス事象に常に時間的に先行していなけ
ればならない。その理由は、工業的プロセスではしばし
ば調節量が間接的にのみ測定可能であり、またプロセス
影響の個所で直接的に測定可能ではなく、従って直接的
な調節が可能でないことである。プロセスを調節するシ
ステムの予設定は公知のように、プロセスの重要な数学
的モデルのプールに支えられて、予め定められた入力量
および／またはとりあえず推定された入力量に関係して
選定されたプロセスパラメータが予計算され、それによ
って次いでシステムの予設定が行われるようにして行わ
れる。数学的モデルは指令を与えるべきプロセスを常に
近似的にのみ記述し得るので、実際のプロセス事象への
モデルの適応マッチングが必要である。そのために各プ
ロセス進行の間にプロセスパラメータおよび入力量が直
接的または間接的に他の測定量の評価により測定され
る。プロセス進行の終了後に後計算の枠内で数学的モデ
ルにより実行された予計算がいまや測定された入力量を
基礎として繰り返され、その際にこうして計算されたプ
ロセスパラメータと測定されたプロセスパラメータとの
間の偏差に関係して変更可能なモデルパラメータの適応
変更が求められた偏差を減少するように行われる。こう
して適応されたモデルパラメータはすぐ次のプロセス進
行の開始時にプロセスパラメータの予計算のために用い
られる。From DE-A-4040360, such a method for commanding one process in a regulated system to a quasi-continuously operating method-technical installation or Devices are known. A rolling line, for example, belongs to such an installation, in which case each pass of the rolled product forms a process cycle, hereinafter referred to as process progression. Like all actual technical processes, these process progressions are time-varying. When commanding such a process, it is necessary to preset the system that regulates the process before each process progress. That is, the process command must always precede the actual process event in time, unlike classical regulation. The reason for this is that in industrial processes the adjustment amount is often only measurable indirectly and not directly at the point of process influence and thus not directly adjustable. The presettings of the system for regulating the process were, as is known, supported by a pool of important mathematical models of the process and were chosen in relation to a predetermined input quantity and / or an estimated input quantity for the time being. This is done in such a way that the process parameters are pre-calculated, which then pre-sets the system. Since a mathematical model can always describe the process to be commanded only approximately, an adaptive matching of the model to the actual process event is necessary. For this purpose, process parameters and input variables are measured directly or indirectly by evaluation of other measured variables during the course of each process. The pre-calculation carried out by the mathematical model within the framework of the post-calculation after the end of the process progression is now repeated on the basis of the measured input variables, whereby the process parameters thus calculated and the measured process parameters are Adaptive changes of the model parameters that are modifiable in relation to the deviations between are performed to reduce the deviations sought. The model parameters thus adapted are used for the pre-calculation of the process parameters at the beginning of the next process progression.
【０００３】プロセスパラメータの予計算、従ってまた
システムの予設定の良度は、プロセスのモデルの適応に
もかかわらず、一般に作成が困難でありさらに強く誤差
を含んでいる可能性のあるモデル仮定の良度に特に関係
する。さらにモデル進行への実時間作動でのモデルパラ
メータの連続的、すなわちオンライン適応は非常に計算
費用がかかる。The goodness of process parameter pre-calculation, and thus also of system presetting, is a model assumption that, despite the adaptation of the process model, is generally difficult to make and may be more erroneous. Particularly relevant to merit. Furthermore, the continuous, ie online adaptation of model parameters in real-time operation to model progression is very computationally expensive.
【０００４】[0004]
【発明が解決しようとする課題】本発明の課題は、この
ようなプロセスパラメータの予計算を改良することにあ
る。The object of the present invention is to improve the precalculation of such process parameters.
【０００５】[0005]
【課題を解決するための手段】この課題は、本発明によ
れば、冒頭に記載した種類の方法において、プロセスパ
ラメータを計算するためモデルの計算結果が、入力側に
入力量の少なくとも一部を供給されるニューロン回路網
の回路網応答と論理演算され、またプロセス進行の後に
計算されたプロセスパラメータと測定されたプロセスパ
ラメータとの間の偏差がニューロン回路網の変更可能な
回路網パラメータを適応させるために偏差を減少させる
ように利用されることにより解決される。この方法を実
施するための装置は、モデルから供給された計算結果の
適応改善のための変更可能な回路網パラメータを有する
ニューロン回路網を含んでおり、ニューロン回路網が入
力側に測定された入力量の少なくとも一部を供給されて
おり、またモデルから供給された計算結果をニューロン
回路網の回路網応答と論理演算するための論理演算装置
が設けられている。その際に、モデル計算のために利用
される入力量のうち、予計算すべきプロセスパラメータ
へのそれらの影響がモデルにより十分に正確に記述され
ない入力量がニューロン回路網に供給される。According to the invention, the object of the invention is, in a method of the kind mentioned at the outset, that the calculation result of the model for calculating the process parameters is such that at least a part of the input quantity is present on the input side. The deviation between the process parameters calculated and measured after the process progression and the process response of the supplied neuron network adapts the changeable network parameters of the neuron network. Is used to reduce the deviation in order to be solved. The device for carrying out this method comprises a neuron network with variable network parameters for adaptive improvement of the calculation result supplied from the model, the neuron network being at the input side of the measured input. At least a part of the quantity is supplied, and a logical operation device is provided for logically operating the calculation result supplied from the model with the network response of the neuron network. At that time, among the input quantities used for the model calculation, the input quantities whose influences on the process parameters to be pre-calculated are not accurately described by the model are supplied to the neuron network.
【０００６】指令すべきプロセスは依然として近似的に
数学モデルにより記述されるが、その際に残留するモデ
ル誤差は実際のプロセス事象へのモデルの適応マッチン
グによらずに、モデルに対して並列に接続されているニ
ューロン回路網により補正される。すなわち数学モデル
は予計算すべきプロセスパラメータに対する近似値を供
給し、またニューロン回路網は補正値を供給し、その際
に近似値および補正値の論理演算はプロセスパラメータ
の改善された予測に通ずる。数学モデルの公知の専らの
使用にくらべて、ニューロン回路網のデザインおよびト
レーニングの費用が数学モデルの適格化の費用よりも少
なくてすむという利点が生ずる。数学モデルを完全にニ
ューロン回路網により置換する他の考えられる方法にく
らべて、プロセスの数学モデル化のためのこれまでの結
果および経験が引き続き完全に有効であるという利点が
生ずる。それに応じて、数学モデルと組み合わせて使用
されるニューロン回路網も相応のグローバルなニューロ
ン回路網よりも簡単であり、その結果としてプロセス指
令のための一層堅牢な解決策が得られる。The process to be commanded is still approximately described by a mathematical model, but the residual model error is connected in parallel to the model without relying on the adaptive matching of the model to the actual process event. It is corrected by the neuron network that is being used. That is, the mathematical model provides an approximation for the process parameter to be precomputed, and the neuron network provides a correction value, the logical operation of the approximation value and the correction value then leading to an improved prediction of the process parameter. The advantage is that the cost of designing and training the neuron network is less than the cost of qualifying the mathematical model, compared to the known and exclusive use of the mathematical model. Compared to other possible methods of completely replacing the mathematical model with a neuron network, the advantage is that the previous results and experience for mathematical modeling of the process remain fully valid. Accordingly, the neuron network used in combination with the mathematical model is also simpler than the corresponding global neuron network, resulting in a more robust solution for the process command.
【０００７】これに関連して本発明の範囲内で、各プロ
セス進行の後に測定された入力量および測定されたプロ
セスパラメータが回路網パラメータを適応させるために
利用されることによって、回路網パラメータの適応がオ
ンラインで行われる。これにより、実際の、すなわち時
変性のプロセスへの、モデルから供給される計算結果の
補正の連続的なマッチングが達成される。その際にニュ
ーロン回路網の回路網パラメータのオンライン適応は計
算技術的に数学モデルのモデルパラメータのオンライン
適応の場合の費用よりもはるかに少ない費用ですむ。In this context, within the scope of the invention, the measured input variables and the measured process parameters after each process step are used to adapt the network parameters so that Adaptation is done online. This achieves a continuous matching of the corrections of the calculation results supplied by the model to the actual or time-varying process. In that case, the online adaptation of the network parameters of the neuron network is much cheaper than the cost of the online adaptation of the model parameters of the mathematical model in terms of computational techniques.
【０００８】ニューロン回路網のオンライン適応に追加
して、少なくとも多数のプロセス進行の後に追加的に数
学モデルの変更可能なモデルパラメータの適応変更がモ
デルから供給された計算結果と測定されたプロセスパラ
メータとの間の偏差に関係して行われることによって、
プロセスへの数学モデルの適応も可能である。この際に
モデルの適応は、好ましくは、多数のプロセス進行にわ
たって集められた入力量およびプロセスパラメータの測
定値に基づいてオフラインで行われる。モデルの計算結
果とニューロン回路網の回路網応答との論理演算のため
に多くの変形例が考えられるが特に加法的論理演算、乗
法的論理演算およびデュアル論理演算が有利であること
が判明している。In addition to the online adaptation of the neuron network, the adaptive modification of the modifiable model parameters of the mathematical model additionally after at least a number of process progressions, the calculated results supplied by the model and the measured process parameters. By being done in relation to the deviation between
The adaptation of mathematical models to the process is also possible. The adaptation of the model here is preferably done off-line on the basis of the measured input variables and process parameters collected over a number of process steps. Many variations are possible for the logical operation between the calculation result of the model and the network response of the neuron network, but it has been found that the additive logical operation, the multiplicative logical operation and the dual logical operation are particularly advantageous. There is.
【０００９】本発明による方法は特にプロセスが近似的
に１つのモデルにより記述され得る工業的な方法技術的
プロセスにおいて応用される。この関連で本発明による
方法により好ましくは圧延技術的プロセスに指令が与え
られ、その際に本発明による方法は特に圧延ラインの圧
延スタンド内の圧延力の予計算および予設定の役割およ
び／または圧延物内の温度経過の予計算および予設定の
役割をする。The method according to the invention finds particular application in industrial method-technical processes in which the process can be approximately described by one model. In this connection, the method according to the invention preferably gives a command to the rolling technical process, whereby the method according to the invention serves in particular for the role of precalculation and presetting of the rolling forces in the rolling stands of the rolling line and / or rolling. It plays the role of pre-calculation and presetting of the temperature profile in the object.
【００１０】本発明による方法は準連続的なプロセスの
指令の際に、プロセス進行の自然のサイクルでクロック
される調節器のように作動する。同様にしてもちろん、
フィクティブなプロセスサイクルの導入による連続的プ
ロセスのプロセス指令も可能である。同じく準連続的プ
ロセスの自然のプロセスサイクルが目的にかなった時間
的セグメント化によりもっと短いフィクティブなプロセ
スサイクルに分割されてもよい。The method according to the invention operates like a regulator, which is clocked in the natural cycle of the process progression during commanding of a quasi-continuous process. Similarly, of course,
Process directives for continuous processes are also possible with the introduction of a fictitious process cycle. The natural process cycle of the quasi-continuous process may also be divided into shorter functional process cycles by purposeful temporal segmentation.
【００１１】[0011]
【実施例】以下、図面を参照して本発明を一層詳細に説
明する。DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will be described in more detail below with reference to the drawings.
【００１２】図１は機能ブロック１によりシンボル化さ
れている技術的プロセス、たとえば圧延プロセスに指令
を与えるための従来の配置を示す。計算装置２で付属の
モデルパラメータＭＰを含めてプロセスの数学モデルＭ
が実行されている。各プロセス進行の開始前に予計算装
置３が計算装置２から現在のモデルパラメータＭＰを有
する数学モデルＭのそれぞれ必要とされるモデル式を呼
び出す。次いで予計算装置３でモデル式およびたとえば
目標値のような予め定められたまたは推定された入力量
ｘV ＝（ｘ1V，…，ｘnVに基づいて選択されたプロセス
パラメータｙV＝（ｙ1V，…，ｙnV）が予計算される。
これらの予計算されたプロセスパラメータｙV によりプ
ロセス１を調節するためのシステム４が予設定される。
続いてのプロセス進行の間に、矢印５により示されてい
るように、プロセス１が予設定されたシステム４により
制御され、他方同時に、矢印６により示されているよう
に、すべての主要なプロセス量が測定される。測定され
たプロセス量に基づいて測定された量の統計的な評価に
より、またはその他の直接的に測定可能でない量の計算
により入力量ｘおよびプロセスパラメータｙの、プロセ
ス進行の前に行われた場合よりもはるかに正確な決定が
行われる。プロセス進行の後にこのように測定された入
力量ｘおよびプロセスパラメータｙが後計算装置７に供
給される。後計算装置７は計算装置２内の現在のモデル
パラメータＭＰを有するモデルＭにアクセスし、またプ
ロセスパラメータの予計算をいまや測定された入力量ｘ
を基礎として繰り返す。プロセスパラメータに対するこ
うして得られた計算結果は測定されたプロセスパラメー
タｙと比較され、その際に求められた偏差に基づいてモ
デルパラメータＭＰの適応変更がこれらの偏差を減少す
るように行われる。適応されたモデルパラメータＭＰは
古い値に重ね書きして計算装置２内に格納され、またす
ぐ次の予計算のために準備される。FIG. 1 shows a conventional arrangement for commanding a technical process, for example a rolling process, symbolized by a functional block 1. Mathematical model M of the process including the model parameter MP attached to the computer 2
Is running. Before the start of each process progression, the precalculator 3 calls from the calculator 2 the respective required model formulas of the mathematical model M with the current model parameter MP. Then, the process parameter y V = (y 1V selected by the pre-calculator 3 on the basis of the model formula and a predetermined or estimated input variable x V = (x 1V , ..., X nV) such as a target value. , ..., Y nV ) is pre-computed.
These precalculated process parameters y V preset the system 4 for adjusting the process 1.
During the subsequent process progression, process 1 is controlled by the preset system 4 as indicated by arrow 5, while at the same time all major processes are indicated by arrow 6. The quantity is measured. If the input quantity x and the process parameter y are made before the process progress by statistical evaluation of the measured quantity on the basis of the measured process quantity or by calculation of other not directly measurable quantities. Much more accurate decisions are made. After the process has proceeded, the input quantity x and the process parameter y thus measured are supplied to the post-calculation device 7. The post-calculation device 7 accesses the model M with the current model parameter MP in the calculation device 2 and also performs the pre-calculation of the process parameters now the measured input quantity x
Repeat as a basis. The calculation results thus obtained for the process parameters are compared with the measured process parameters y, and an adaptive modification of the model parameter MP is carried out so as to reduce these deviations on the basis of the deviations determined. The adapted model parameter MP is overwritten on the old value and stored in the computing device 2 and is ready for the next pre-calculation.
【００１３】図２は計算装置２内の数学モデルと可変の
回路網パラメータＮＰを有するニューロン回路網８との
本発明による組み合わせの実施例を示す。プロセスパラ
メータｙV の予計算の際に予計算装置３は装置２内のモ
デルにアクセスするだけでなく、さらに推定された入力
量ｘV をニューロン回路網８に供給する。このニューロ
ン回路網は回路網応答ｙNvを発生し、この回路網応答は
それぞれ予計算すべきプロセスパラメータｙV を形成す
るためモデルＭから供給される計算結果と論理演算され
る。予計算されたプロセスパラメータにより、図１に関
連して既に説明した仕方で、プロセス１を調節するため
のシステム４の予設定が行われる。プロセス進行の後
に、測定された入力量ｘが後計算装置７内で数学モデル
Ｍに供給されると共にニューロン回路網８に与えられ
る。続いて装置７内で、モデルＭのこうして得られた計
算結果および回路網応答ｙN が互いに論理演算され、ま
た論理演算の結果が測定されたプロセスパラメータｙと
比較される。その際に求められた偏差と関係してニュー
ロン回路網８の回路網パラメータＮＰがこの偏差を減少
するように適応変更される。各プロセス進行の後に“オ
ンライン”で行われるニューロン回路網８の適応と異な
り、モデルＭの“オンライン”適応は予定されていな
い。しかし、更新されたモデルパラメータＭＰの受け渡
しのための装置２と装置７との間の破線で示されている
接続により示されているように、測定結果を多数のプロ
セス進行から集め、また所与の時点で“オフライン”適
応を実行することも可能である。FIG. 2 shows an embodiment of a combination according to the invention of a mathematical model in the computing device 2 and a neuron network 8 with a variable network parameter NP. During the precalculation of the process parameter y V, the precalculator 3 not only accesses the model in the device 2 but also supplies the estimated input quantity x V to the neuron network 8. This neuron network produces a network response y Nv, which is logically operated with the calculation results supplied from the model M to form the process parameter y V to be precomputed. The precalculated process parameters provide the presetting of the system 4 for adjusting the process 1 in the manner already described in connection with FIG. After the process has proceeded, the measured input quantity x is supplied to the mathematical model M in the post-calculation device 7 and to the neuron network 8. The calculation result thus obtained of the model M and the network response y N are then logically operated on one another in the device 7 and the result of the logical operation is compared with the measured process parameter y. The network parameter NP of the neuron network 8 is adaptively modified to reduce this deviation in relation to the deviation determined at that time. Unlike the adaptation of the neuron network 8 which is done "online" after each process progression, no "online" adaptation of the model M is planned. However, the measurement results are collected from a number of process steps and also given, as indicated by the connection shown by the dashed line between the device 2 and the device 7 for the passing of the updated model parameter MP. It is also possible to perform an "offline" adaptation at this time.
【００１４】図３、図４および図５は、モデルＭからそ
れに供給された入力量ｘM に基づいて発生された計算結
果ｙM と入力量ｘN を与えられるニューロン回路網８の
回路網応答ｙN との論理演算のための相い異なる例を示
す。入力量ｘN には、その予計算すべきプロセスパラメ
ータｙV への影響が数学モデルにより正確に記述され得
ないような入力量が属している。多くの場合にｘM ＝ｘ
N である。詳細には図３は加法的論理演算ｙV ＝ｙM ＋
ｙN を示す。図４は乗法的論理演算ｙV ＝ｖM・ｙN を
示し、また図５はデュアル論理演算ｙV ＝ｙM ・（１＋
ｙN ）を示す。すなわちプロセスパラメータｙV の予計
算は近似的にモデルＭにより行われ、その際に残留する
モデル誤差はニューロン回路網８により補正される。実
際のプロセス事象へのプロセスパラメータｙV の予計算
の適応はニューロン回路網８の回路網パラメータの適応
変更により行われる。FIGS. 3, 4 and 5 show the network response of the neuron network 8 given the calculation result y M and the input amount x N generated from the model M based on the input amount x M supplied thereto. Different examples for logical operations with y N are shown. The input quantity x N belongs to the input quantity whose influence on the process parameter y V to be pre-calculated cannot be accurately described by a mathematical model. In most cases x M = x
N. In detail, FIG. 3 shows an additive logical operation y V = y M +
Indicates y N. FIG. 4 shows a multiplicative logical operation y V = v M · y N , and FIG. 5 shows a dual logical operation y V = y M · (1+
y N ). That is, the pre-calculation of the process parameter y V is approximately performed by the model M, and the model error remaining at that time is corrected by the neuron network 8. The adaptation of the precalculation of the process parameter y V to the actual process event is carried out by changing the adaptation of the network parameters of the neuron network 8.
【００１５】図６ないし図９にはニューロン回路網の相
い異なる例が示されており、プロセス記述のための数学
モデルと組み合わせてのそれらの使用は以下に一層詳細
に説明する。Different examples of neuronal networks are shown in FIGS. 6-9, their use in combination with mathematical models for process description is described in more detail below.
【００１６】技術的プロセスの調節の一例は圧延工場で
のプロセスの自動化である。その際に本来の調節量すな
わち圧延ラインから走出する圧延物の厚みは圧延間隙で
測定可能でなく、操作量、ここではそのつどの圧延スタ
ンドの圧下率およびプロセスパラメータの１つまたはい
くつか、たとえば圧延力の関数として間接的にのみ検出
可能である。プロセス進行の間に圧延力は測定可能であ
り、従って調節量の現在の値はいつでも計算可能であ
り、またこうして調節装置に操作量の発生のために供給
可能である。しかし各プロセス進行の開始段階で、すな
わち各個の圧延過程の開始時に、調節は先ずビルドアッ
プしなければならず、このことは圧延物の最初の範囲内
の誤差のある厚みに通ずる。調節のビルドアップ段階、
従ってまた誤差のある厚みを有する圧延物の最初の範囲
を最小化するため、圧延ラインへの圧延物の走入の前に
操作量の予設定が調節量（圧延物の厚み）の目標値およ
びプロセスパラメータ（圧延力）の予計算された値に関
係して行われる。その際に圧延力の予計算は、圧延力
（プロセスパラメータｙ）とこれに影響する入力量ｘ、
たとえば圧延スタンドｎ内の圧延物の相対的厚み減少Ｅ
n 、圧延物の走入温度Ｔn 、スタンドｎの前の圧延物の
張力Ｚn 、スタンドｎの後の圧延物内の張力Ｚn+ 1 、ロ
ール半径Ｒn 、スタンドｎの前の圧延物の幅Ｂn および
厚みＤn のような入力量との間の関係をシミュレートす
る数学モデルの助けをかりて行われる。One example of technological process regulation is process automation in a rolling mill. The actual amount of adjustment, that is to say the thickness of the rolling stock running from the rolling line, is not measurable in the rolling gap, but rather the operating variable, here the rolling reduction of the respective rolling stand and one or several of the process parameters, for example It can only be detected indirectly as a function of rolling force. During the course of the process, the rolling force can be measured, so that the current value of the adjustment quantity can be calculated at any time and can thus be supplied to the adjusting device for the production of the operating quantity. However, at the start of each process step, ie at the start of each individual rolling process, the adjustment must first be built up, which leads to an erroneous thickness within the initial range of the rolled product. Build-up stage of adjustment,
Therefore, in order to also minimize the initial range of rolling products with erroneous thicknesses, the setting of the manipulated variable prior to the entry of the rolling products into the rolling line should be the target value of the adjustment amount (rolling product thickness) and This is done in relation to the precalculated values of the process parameters (rolling force). At that time, the rolling force is pre-calculated by the rolling force (process parameter y) and the input amount x that affects it.
For example, the relative thickness reduction E of the rolled material in the rolling stand n
n , running temperature T n of rolled material, tension Z n of rolled material before stand n, tension Z n + 1 in rolled material after stand n, roll radius R n , rolled material before stand n This is done with the aid of a mathematical model that simulates the relationship between input quantities such as width B n and thickness D n .
【００１７】図６は、入力側に前記の入力量ｘN ＝（Ｅ
n ，…，Ｄn ）を供給され、出力側の回路網応答ｙN を
図３および図５中の図示に相応して加法的またはデュア
ルに数学モデルＭから供給される計算結果ｙM と論理演
算するニューロン回路網の構成を示す。図６に示されて
いるニューロン回路網は入力量Ｅn ないしＤn の各々に
対するそれぞれ１つの入力要素９を有する入力領域を有
する。入力領域の後に、それぞれガウス関数状の応答挙
動を有するｉ要素１０から成る隠された領域が対応付け
られている。個々の要素１０の応答は出力要素１１内で
それぞれ重み付け係数ｃi を乗算され、また回路網応答
ｙN として加算される。隠された領域の各個の要素１０
の応答挙動は、入力量の数に相応して多次元の、可変の
中心ｔij、可変の幅ｓj およびそのつどの重み付け係数
ｃi により変更可能な振幅を有するガウスの鐘状分布を
記述する。これらの回路網パラメータにより実際のプロ
セス事象へのニューロン回路網の適応マッチングが行わ
れる。FIG. 6 shows that the input amount x N = (E
n, ..., D n) is supplied to the calculation result y M and logic supplied from additive or dual to the mathematical model M correspondingly circuitry response y N output side shown in FIGS. 3 and 5 The structure of a neuron circuit network for calculation is shown. The neuron network shown in FIG. 6 has an input area with one input element 9 for each of the input quantities E n to D n . Associated with the input area is a hidden area consisting of i-elements 10, each having a Gaussian-like response behavior. The responses of the individual elements 10 are each multiplied in the output element 11 by a weighting factor c i and added as a network response y N. Each element of hidden area 10
Response behavior describes a Gaussian bell-shaped distribution, which is multidimensional corresponding to the number of input quantities, with a variable center t ij , a variable width s j and an amplitude that can be varied by the respective weighting factors c i. To do. These network parameters provide adaptive matching of the neuron network to the actual process event.
【００１８】図７に示されているニューロン回路網は回
路網応答ｙN とモデル計算の結果ｙM との間の乗法的論
理演算に適しており、また図６に示されている回路網と
の相違点として、２つの加算要素１２および１３から成
る第２の隠された領域を有する。符号１２を付されてい
る加算要素は第１の隠された領域の個々の要素１０の応
答を重み付けせずに加算し、他方において符号１３を付
されている加算要素はこれらの応答の各々をそのつどの
重み付け係数ｃi を掛けて加算する。第２の隠された領
域の後に出力要素１４が対応付けられており、この出力
要素が加算要素１２および１３から供給された応答の比
から回路網応答ｙN を形成する。The neuron network shown in FIG. 7 is suitable for a multiplicative logic operation between the network response y N and the result of model calculation y M, and the network shown in FIG. Has a second hidden area consisting of two summing elements 12 and 13. The summing element labeled 12 adds the responses of the individual elements 10 of the first hidden area unweighted, while the summing element labeled 13 on the other hand adds each of these responses. The respective weighting factors c i are multiplied and added. An output element 14 is associated after the second hidden region, which output element forms the network response y N from the ratio of the responses supplied by the summing elements 12 and 13.
【００１９】図８および図９は、数学モデルと組み合わ
せて圧延ラインを通過する際の圧延物における温度経過
のモデル化のために使用され得るニューロン回路網の２
つの例を示し、それらの回路網応答ｙN はモデルの計算
結果ｙM と加法的に論理演算される。付属の温度モデル
はたとえば圧延スタンドの内部の温度発生および圧延ス
タンドの外部の圧延物の冷却のような多くの部分モデル
から成っている。一層詳細な説明のために図１０は前ラ
イン１５、カッター１６、スケール洗浄器１７および仕
上げライン１８から成る圧延ラインの一部を示す。仕上
げライン１８の個々の圧延スタンドは符号Ｇ1 、Ｇ2 、
…、Ｇn を付して示されている。FIGS. 8 and 9 are two neuronal networks which can be used in combination with a mathematical model to model the temperature profile in a rolling product as it passes through a rolling line.
One example is shown, and their network response y N is logically additively operated with the model calculation result y M. The attached temperature model consists of a number of partial models, for example the temperature generation inside the rolling stand and the cooling of the rolling products outside the rolling stand. For a more detailed description, FIG. 10 shows a part of a rolling line consisting of a front line 15, a cutter 16, a scale cleaner 17 and a finishing line 18. The individual rolling stands of the finishing line 18 are designated by G 1 , G 2 ,
, Gn .
【００２０】２つの信頼できる温度測定個所の間、ここ
ではたとえば前帯温度ＴV に対する測定位置と第２の圧
延スタンドＧ2 の後の帯温度Ｔ2 に対する測定位置との
間のライン範囲に対して温度係数が数学的温度モデルに
より求められるべきであり、その際に使用されるニュー
ロン回路網は誤差補償の役割をする。そのためにニュー
ロン回路網に好ましくは次の入力量ｘN 、すなわち圧延
物内の合金成分Ｌの和、帯幅Ｂ、前帯厚みＤV 、第２の
圧延スタンドＧ2 の後の帯厚みＤ2 、前帯温度ＴV 、第
２の圧延スタンドＧ2 の後の帯温度Ｔ2 、前帯温度ＴV
の測定位置からカッター１６までの走行時間ｔA 、スケ
ール洗浄器１７から第１の圧延スタンドＧ1 までの走行
時間ｔB 、スケール洗浄器１７の冷却強度ＩA 、両スタ
ンドＧ1とＧ2 との間のプレス水‐帯冷却の強度ＩB 、
ローラー冷却の強度ＩC および圧延速度ｖ1 およびｖ2
ならびに圧延スタンドＧ1 およびＧ2 内の圧延力Ｆ1 お
よびＦ2 が供給される。。For a line range between two reliable temperature measuring points, here for example a measuring position for the front strip temperature T V and a measuring position for the strip temperature T 2 after the second rolling stand G 2. Therefore, the temperature coefficient should be obtained by a mathematical temperature model, and the neuron network used in that case plays a role of error compensation. To that end, the neuron network preferably has the following input quantity x N , ie the sum of the alloy components L in the rolled product, the band width B, the front band thickness D V and the band thickness D 2 after the second rolling stand G 2. , Front zone temperature T V , zone temperature T 2 after the second rolling stand G 2 , front zone temperature T V
Transit time t A from the measurement position to the cutter 16, the travel time from the scale scrubber 17 to first roll stand G 1 t B, the cooling intensity I A of the scale washer 17, and both stand G 1 and G 2 Press water-zone cooling strength I B ,
Roller cooling intensity I C and rolling speed v 1 and v 2
As well as the rolling force F 1 and F 2 in the roll stand G 1 and G 2 are supplied. .
【００２１】図８に示されているニューロン回路網は前
記の入力量ｘN ＝（Ｌ，Ｂ，ＤV ，…，Ｆ1 ，Ｆ2 ）の
各々に対してそれぞれ１つの入力要素１９を有する入力
領域を有する。追加的な入力要素２０に一定値、たとえ
ば“１”が供給される。入力量ｘn および一定値はそれ
ぞれ個別の重み付け係数ｃj を乗算され、また出力要素
２１で回路網応答ｙN として加算される。The neuron network shown in FIG. 8 has one input element 19 for each of said input quantities x N = (L, B, D V , ..., F 1 , F 2 ). It has an input area. The additional input element 20 is supplied with a constant value, for example "1". The input quantity x n and the constant value are each multiplied by a respective weighting factor c j and also added at the output element 21 as the network response y N.
【００２２】図８に示されているニューロン回路網は図
８に示されているニューロン回路網との相違点として、
それぞれ−１．０と＋１．０との間のシグモイド経過を
有する応答挙動を有するｉ（たとえばｉ＝２０）の要素
２２から成る中間領域を有する。入力量ｘN はそれぞれ
個別の重み付け係数ｗijを乗算され、また続いて、個々
の要素２２に供給される前に、加算される。隠された領
域は一定値、たとえば“１”に対する入力要素としての
役割をする追加的な要素２３を有する。The neuron network shown in FIG. 8 is different from the neuron network shown in FIG.
It has an intermediate region consisting of elements 22 of i (eg i = 20) each having a response behavior with a sigmoid course between −1.0 and +1.0. The input quantities x N are each multiplied by a respective weighting factor w ij and subsequently added before being fed to the individual elements 22. The hidden area has an additional element 23 which serves as an input element for a constant value, eg "1".
【図１】技術的プロセスに指令を与えるための公知の配
置例のブロック図。FIG. 1 is a block diagram of a known example arrangement for commanding a technical process.
【図２】数学モデルとニューロン回路網との本発明によ
る組み合わせの一例を示すブロック図。FIG. 2 is a block diagram showing an example of a combination of a mathematical model and a neuron network according to the present invention.
【図３】回路網応答とモデルの計算結果との加法的論理
演算の一例を示すブロック図。FIG. 3 is a block diagram showing an example of an additive logical operation between a network response and a model calculation result.
【図４】回路網応答とモデルの計算結果との乗法的論理
演算の一例を示すブロック図。FIG. 4 is a block diagram showing an example of a multiplicative logical operation between a network response and a model calculation result.
【図５】回路網応答とモデルの計算結果とのデュアル論
理演算の一例を示すブロック図。FIG. 5 is a block diagram showing an example of a dual logic operation of a network response and a model calculation result.
【図６】ニューロン回路網の一例を示すブロック図。FIG. 6 is a block diagram showing an example of a neuron circuit network.
【図７】ニューロン回路網の別の一例を示すブロック
図。FIG. 7 is a block diagram showing another example of a neuron network.
【図８】ニューロン回路網の別の一例を示すブロック
図。FIG. 8 is a block diagram showing another example of a neuron network.
【図９】ニューロン回路網の別の一例を示すブロック
図。FIG. 9 is a block diagram showing another example of a neuron circuit network.
【図１０】圧延ラインの一例を示すブロック図。FIG. 10 is a block diagram showing an example of a rolling line.
１ 圧延プロセス ２ 計算装置 ３ 予計算装置 ４ 調節されるシステム ６ 測定装置 ７ 後計算装置 ８ ニューロン回路網 1 rolling process 2 calculation device 3 pre-calculation device 4 regulated system 6 measuring device 7 post-calculation device 8 neuron network
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０５Ｂ 23/02 Ｈ 7531−3Ｈ Ｇ０６Ｆ 15/18 ５５０ Ｅ 9071−5Ｌ Ｇ０６Ｇ 7/60 (72)発明者 トーマス マルチネツ ドイツ連邦共和国 80686 ミユンヘン キルヒマイルシユトラーセ 43 (72)発明者 ギユンター ゼルゲル ドイツ連邦共和国 90455 ニユルンベル ク ツアウンケーニツヒヴエーク ８─────────────────────────────────────────────────── ─── Continuation of the front page (51) Int.Cl. 6 Identification number Internal reference number FI Technical indication location G05B 23/02 H 7531-3H G06F 15/18 550 E 9071-5L G06G 7/60 (72) Invention Person Thomas Martinez Germany 80686 Miyunchen Kirchmeirsichtraße 43 (72) Inventor Guyunter Seger Germany Germany 90455 Nyurnberg Zuankenitziwijk 8
Claims (10)
に指令を与えるための方法であって、各１つのプロセス
進行の開始時に計算装置（２）で実行されたプロセスの
数学モデル（Ｍ）を用いてモデル（Ｍ）に供給された入
力量（ｘM ）に関係して少なくとも１つの選択されたプ
ロセスパラメータ（ｙV ）が予計算され、このプロセス
パラメータによりシステム（４）の予設定が行われ、プ
ロセス進行の間に入力量（ｘ）およびプロセスパラメー
タ（ｙ）が測定され、またプロセス進行の後に測定され
たプロセスパラメータ（ｙ）およびモデル（Ｍ）に供給
された測定された入力量（ｘ）に基づいてプロセスパラ
メータ（ｙV ）の予計算の適応改善が行われる方法にお
いて、プロセスパラメータ（ｙV ）を計算するためモデ
ル（Ｍ）の計算結果（ｙM ）が、入力側に入力量
（ｘN ）の少なくとも一部を供給されるニューロン回路
網（８）の回路網応答（ｙN ）と論理演算され、またプ
ロセス進行の後に計算されたプロセスパラメータ
（ｙV ）と測定されたプロセスパラメータ（ｙ）との間
の偏差がニューロン回路網（８）の変更可能な回路網パ
ラメータ（ｃ、ｗ）を適応させるために偏差を減少させ
るように利用されることを特徴とする調節されるシステ
ム内のプロセスに指令を与えるための方法。1. A method for commanding processes in a regulated system (4), the mathematical model (M) of processes being executed in a computing device (2) at the start of each one process progression. Is used to pre-calculate at least one selected process parameter (y V ) in relation to the input quantity (x M ) supplied to the model (M), which pre-sets the system (4). Performed, the input quantity (x) and the process parameter (y) were measured during the process progress, and the measured input quantity supplied to the process parameter (y) and the model (M) measured after the process progress. The calculation result of the model (M) for calculating the process parameter (y V ) in the method in which the adaptive improvement of the pre-calculation of the process parameter (y V ) is performed based on (x). (Y M ) is logically calculated with the network response (y N ) of the neuron network (8) supplied with at least a part of the input quantity (x N ) on the input side, and calculated after the process progresses. So that the deviation between the process parameter (y V ) and the measured process parameter (y) reduces the deviation in order to adapt the modifiable network parameters (c, w) of the neuron network (8). A method for commanding a process in a regulated system characterized by being utilized.
（ｘ）および測定されたプロセスパラメータ（ｙ）が回
路網パラメータ（ｃ、ｗ）を適応させるために利用され
ることによって、回路網パラメータ（ｃ、ｗ）の適応が
オンラインで行われることを特徴とする請求項１記載の
方法。2. A network parameter, wherein the measured input variable (x) and the measured process parameter (y) after each process step are utilized to adapt the network parameter (c, w). Method according to claim 1, characterized in that the adaptation of (c, w) is done online.
加的に数学モデル（Ｍ）の変更可能なモデルパラメータ
（ＭＰ）の適応変更がモデル（Ｍ）から供給された計算
結果と測定されたプロセスパラメータ（ｙ）との間の偏
差に関係して行われることを特徴とする請求項１または
２記載の方法。3. After at least a number of process steps, additionally an adaptive modification of the modifiable model parameter (MP) of the mathematical model (M) and the calculated results and the measured process parameters (M) supplied from the model (M). Method according to claim 1 or 2, characterized in that it is performed in relation to the deviation between y).
ーロン回路網（８）の回路網応答（ｙN ）との適応論理
演算が行われることを特徴とする請求項１ないし３の１
つに記載の方法。4. An adaptive logic operation is performed between the calculation result (y M ) of the model (M) and the network response (y N ) of the neuron network (8). 1
Method described in one.
ーロン回路網（８）の回路網応答（ｙN ）との乗法的論
理演算が行われることを特徴とする請求項１ないし３の
１つに記載の方法。5. A multiplicative logic operation between the calculation result (y M ) of the model (M) and the network response (y N ) of the neuron network (8) is performed. The method according to one of 1.
ーロン回路網（８）の回路網応答（ｙN ）とのデュアル
論理演算が行われることを特徴とする請求項１ないし３
の１つに記載の方法。6. A dual logic operation is performed between the calculation result (y M ) of the model (M) and the network response (y N ) of the neuron network (8).
The method according to one of 1.
を特徴とする請求項１ないし６の１つに記載の方法。7. The method as claimed in claim 1, wherein the rolling technical process is commanded.
予計算および予設定が行われることを特徴とする請求項
７記載の方法。8. A method as claimed in claim 7, characterized in that the rolling forces in the rolling stands of the rolling line are pre-calculated and preset.
が行われることを特徴とする請求項７記載の方法。9. Method according to claim 7, characterized in that the temperature profile of the rolled product is precalculated and preset.
スに指令を与えるための装置であって、少なくとも１つ
の予計算されたプロセスパラメータ（ｙV ）に関係して
システム（４）を予設定するための装置（３）と、入力
量（ｘ）に関係してプロセスパラメータ（ｙV ）を予計
算するためのプロセスの数学モデル（Ｍ）を含んでいる
計算装置（２）と、プロセス進行の間に入力量（ｘ）お
よびプロセスパラメータ（ｙ）を測定するための測定装
置（６）とを含んでいる装置において、モデル（Ｍ）か
ら供給された計算結果（ｙM ）の適応改善のための変更
可能な回路網パラメータ（ｃ、ｗ）を有するニューロン
回路網（８）を含んでおり、ニューロン回路網（８）が
入力側に測定された入力量（ｘN ）の少なくとも一部を
供給されており、またモデル（Ｍ）から供給された計算
結果（ｙM ）をニューロン回路網（８）の回路網応答
（ｙN ）と論理演算するための論理演算装置が設けられ
ていることを特徴とする調節されるシステム内のプロセ
スに指令を与えるための装置。10. Device for commanding a process in a regulated system (4), said system (4) being preset in relation to at least one precalculated process parameter (y V ). A device (3) for performing, a computing device (2) including a mathematical model (M) of the process for pre-calculating a process parameter (y V ) in relation to an input quantity (x), and a process progression in the measurement device (6) a device that includes for measuring the input quantity (x) and process parameters (y) between the model (M) supplied calculation result from the adaptive improvement of (y M) A neuron network (8) having a changeable network parameter (c, w) for the neuron network (8) at least part of the measured input quantity (x N ) on the input side. Has been supplied, A logical operation unit for logically operating the calculation result (y M ) supplied from the model (M) with the network response (y N ) of the neuron network (8). A device for giving instructions to processes in the system.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE4338607A DE4338607B4 (en) | 1993-11-11 | 1993-11-11 | Method and device for managing a process in a controlled system |
| DE4338607.5 | 1993-11-11 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07191711A true JPH07191711A (en) | 1995-07-28 |
| JP3330758B2 JP3330758B2 (en) | 2002-09-30 |
Family
ID=6502404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP30039694A Expired - Lifetime JP3330758B2 (en) | 1993-11-11 | 1994-11-09 | Method and apparatus for controlling a process in a regulated system |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US5600758A (en) |
| JP (1) | JP3330758B2 (en) |
| DE (1) | DE4338607B4 (en) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6745169B1 (en) * | 1995-07-27 | 2004-06-01 | Siemens Aktiengesellschaft | Learning process for a neural network |
| DE19618712B4 (en) * | 1996-05-09 | 2005-07-07 | Siemens Ag | Control method for a roll stand for rolling a strip |
| CN1119729C (en) * | 1996-06-21 | 2003-08-27 | 西门子公司 | Process and system for commisioning industrial plants, in particular in the primary industry |
| DE19642918C2 (en) * | 1996-10-17 | 2003-04-24 | Siemens Ag | System for calculating the final thickness profile of a rolled strip |
| DE19644131C2 (en) * | 1996-10-23 | 2002-09-19 | Siemens Ag | Method for optimizing the distribution of strip width at the ends of a strip passing through a rolling train in one or more passes |
| US5859964A (en) * | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
| DE19718262A1 (en) * | 1997-04-30 | 1998-11-05 | Schenck Panel Production Syste | Method and system for generating a process model of a technical problem |
| DE19731980A1 (en) * | 1997-07-24 | 1999-01-28 | Siemens Ag | Method for controlling and presetting a rolling stand or a rolling train for rolling a rolled strip |
| US6571134B1 (en) * | 1998-02-18 | 2003-05-27 | Siemens Aktiengesellschaft | Method and device for determining an intermediary profile of a metal strip |
| US6564119B1 (en) | 1998-07-21 | 2003-05-13 | Dofasco Inc. | Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts |
| DE50000754D1 (en) * | 1999-03-23 | 2002-12-19 | Siemens Ag | METHOD AND DEVICE FOR DETERMINING THE ROLLING FORCE IN A ROLLING STAND |
| DE19914910A1 (en) * | 1999-04-01 | 2000-10-26 | Bayerische Motoren Werke Ag | Hybrid model for modeling an overall process in a vehicle |
| FI115406B (en) * | 2000-06-13 | 2005-04-29 | Metso Paper Inc | Load calculation system for a rolling system such as a calender in a paper machine or cardboard machine or corresponding web fiber machine |
| DE10036971A1 (en) * | 2000-07-28 | 2002-02-28 | Siemens Ag | Method for remote diagnosis of a technological process |
| DE10113538B4 (en) * | 2001-03-20 | 2012-03-01 | Bayerische Motoren Werke Aktiengesellschaft | Regulating device and control method |
| US7362892B2 (en) | 2003-07-02 | 2008-04-22 | Lockheed Martin Corporation | Self-optimizing classifier |
| US6885907B1 (en) | 2004-05-27 | 2005-04-26 | Dofasco Inc. | Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention |
| DE102007025447A1 (en) * | 2006-10-09 | 2008-04-17 | Siemens Ag | Method for controlling and / or regulating an industrial process |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU442459A1 (en) * | 1972-12-20 | 1974-09-05 | Московский Ордена Трудового Красного Знамени Институт Пищевой Промышленности | Automatic control system |
| SU807211A1 (en) * | 1978-07-19 | 1981-02-23 | Киевский Ордена Ленина Политехни-Ческий Институт Им. 50-Летиявеликой Октябрьской Социалисти-Ческой Революции | Device for identification line control objects |
| US5253328A (en) * | 1989-11-17 | 1993-10-12 | Microelectronics & Computer Technology Corp. | Neural-network content-addressable memory |
| ES2112853T3 (en) * | 1990-10-10 | 1998-04-16 | Honeywell Inc | IDENTIFICATION OF PROCESS SYSTEMS. |
| DE4040360A1 (en) * | 1990-12-17 | 1991-06-27 | Siemens Ag | Multiple-stand strip rolling control - uses model comparisons and converging parameters to maintain strip profile and flatness |
| DE4111354A1 (en) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | DEVICE FOR GUIDING THE END EFFECTOR OF A ROBOT ALONG A TARGET RAILWAY |
| DE4130164A1 (en) * | 1991-09-11 | 1993-03-18 | Bodenseewerk Geraetetech | CONTROLLER, ESPECIALLY FLIGHT CONTROLLER |
| JPH05171890A (en) * | 1991-12-25 | 1993-07-09 | Nippon Telegr & Teleph Corp <Ntt> | Directional correction amount model formation method of tunnel robot |
-
1993
- 1993-11-11 DE DE4338607A patent/DE4338607B4/en not_active Expired - Fee Related
-
1994
- 1994-11-09 JP JP30039694A patent/JP3330758B2/en not_active Expired - Lifetime
- 1994-11-10 US US08/337,660 patent/US5600758A/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| DE4338607B4 (en) | 2005-10-06 |
| US5600758A (en) | 1997-02-04 |
| JP3330758B2 (en) | 2002-09-30 |
| DE4338607A1 (en) | 1995-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3336135B2 (en) | Method and apparatus for providing instructions to a process | |
| JPH07191711A (en) | Method and apparatus for giving of instruction to process at inside of system to be adjusted | |
| JPH07191713A (en) | Method and apparatus for giving of instruction to process at inside of system to be adjusted | |
| US5513097A (en) | Method and control device for controlling a process including the use of a neural network having variable network parameters | |
| KR100249914B1 (en) | Method and apparatus for rolling metal band | |
| US5598329A (en) | Method and device for controlling a process | |
| JP3223856B2 (en) | Rolling mill control method and rolling mill control device | |
| US5778151A (en) | Method and control device for controlling a material-processing process | |
| KR100499165B1 (en) | A process and device for identification or pre-caculation of parameters of a time-variant industrial process | |
| CN115815342A (en) | Cold rolling force prediction method based on mechanism and data fusion model | |
| CN110851994B (en) | Online shape target curve adjusting method for cold-rolled strip | |
| JPH09174128A (en) | Method for controlling shape of rolled stock | |
| JPH0756608A (en) | Signal processing method | |
| KR950003800B1 (en) | Shape controller system by using artificial neural network | |
| JPH0623417A (en) | Width controller in hot rough rolling | |
| KR100531145B1 (en) | Sheet width control method in hot rolling | |
| JPH07230445A (en) | Data prediction device | |
| JP2755893B2 (en) | Rolling control method and apparatus | |
| Kim et al. | Sensitivity analysis on a neural network for analyzing the camber in hot rolling process | |
| JP2000117315A (en) | Device for controlling opening degree of edger | |
| JP2001030005A (en) | Gage controller | |
| JP2000126809A (en) | Set up device of rolling mill | |
| JP4140316B2 (en) | Metal plate manufacturing method | |
| DE10059567A1 (en) | Method and device for calculating process variables of an industrial process | |
| JPH0732019A (en) | Sheet width controlling method in hot rolling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20020613 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070719 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080719 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090719 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100719 Year of fee payment: 8 |